阅读说明：本技术 基于深度学习的瘤样病变识别工作站 (Tumor-like lesion recognition workstation based on deep learning ) 是由 王玉峰 于 2019-04-25 设计创作，主要内容包括：本发明涉及智能医疗技术领域,尤其涉及一种基于深度学习的瘤样病变识别工作站。包括：肠镜设备、电脑主机、显示设备、WEB端界面、病变识别模型和数据传输模块；所述肠镜设备为医生肠镜检查所需要的所有相关仪器和设备；所述电脑主机用于配置好模型所需的相关环境框架；所述web端界面架设在电脑主机中；所述病变识别模型用于识别肠镜检查退镜视野中的相关病变；所述显示设备和电脑主机相连。本发明能够通过深度学习自动检查肠道中的瘤样病变并提示给医生供参考,不仅能更好更全面的检测出肠道瘤样病变,而且可以大大减轻医生的压力,让医生更专注于其它更富创造性的任务中,有着巨大的经济及社会效益。(The invention relates to the technical field of intelligent medical treatment, in particular to a tumor-like lesion identification workstation based on deep learning. The method comprises the following steps: the enteroscope equipment, the computer host, the display equipment, the WEB terminal interface, the lesion identification model and the data transmission module; the enteroscopy equipment is all related instruments and equipment required by enteroscopy of doctors; the computer host is used for configuring a relevant environment frame required by the model; the web end interface is erected in the computer host; the lesion identification model is used for identifying related lesions in a retroscopic view of enteroscopy; the display equipment is connected with the computer host. The invention can automatically check the tumor-like lesion in the intestinal tract through deep learning and prompt a doctor for reference, thereby not only detecting the tumor-like lesion in the intestinal tract better and more comprehensively, but also greatly relieving the pressure of the doctor, leading the doctor to concentrate on other more creative tasks and having great economic and social benefits.)

基于深度学习的瘤样病变识别工作站

技术领域

本发明涉及智能医疗技术领域，尤其涉及一种基于深度学习的瘤样病变识别工作站。

背景技术

大肠癌是全球常见的恶性肿瘤之一，包括结肠癌和直肠癌。大肠癌的发病率从高到低依次为直肠、乙状结肠、盲肠、升结肠、降结肠及横结肠。随着我国人口老龄化的加剧和人们生活方式的改变，结直肠癌发病率和死亡率正在逐年上升，早期发现、早期诊断及早期治疗是降低死亡率及提高生存率的主要策略之一。

肠镜检查是经***将肠镜循腔***至回盲部，从黏膜侧观察结肠病变的检查方法。肠镜检查几乎可以满足全部结肠区域的检查需要。肠镜检查既可用于诊断，且能对息肉或早期微小癌灶切除，对可以病灶能定向镜取组织进行活检。在大肠癌普查中，常作为评价各种初筛效果的“金标准”。对预防及早期发现结肠癌有着重要的意义，因此是目前大肠癌诊断的最有效手段。

然而肠镜检查需要在动态的情况下由人眼判别肠道情况，加之每个医生每天手术检查很多，长时间的视觉疲劳很可能使一些较小的不明显息肉漏掉。

发明内容

本发明的目的在于克服上述技术的不足，而提供一种基于深度学习的瘤样病变识别工作站。

本发明为实现上述目的，采用以下技术方案：一种基于深度学习的瘤样病变识别工作站，其特征在于：包括：肠镜设备、电脑主机、显示设备、WEB端界面、病变识别模型和数据传输模块；

所述肠镜设备为医生肠镜检查所需要的所有相关仪器和设备；所述电脑主机采用linux-Ubuntu16.04操作系统，配置好模型所需的相关环境框架；所述web端界面架设在电脑主机中，用于显示模型识别结果；所述病变识别模型用于识别肠镜检查退镜视野中的相关病变，并通过数据传输模块传送到电脑主机；所述显示设备和电脑主机相连，用于显示肠镜摄像头传输的肠镜视频图像、病变标记和web端界面。

优选地，所述显示设备包括但不只限于高清显示器，用于显示肠镜摄像头传输的肠镜视频图像、病变标记和web端界面。

优选地，所述web端界面能够显示医院科室和医生、病人的相关信息、检查操作提示、场景检查实时图像和识别模型输出的提示框。

优选地，所述病变识别模型算法包括但不限于YOLO V3；病变识别模型能够接受肠镜输出的视频图像，将每一帧图像送入模型进行目标检测，若检测出目标，则输出目标类型并框出位置，通过数据传输模块发送给web端显示。

本发明的有益效果是:本发明能够通过深度学习自动检查肠道中的瘤样病变并提示给医生供参考，不仅能更好更全面的检测出肠道瘤样病变，而且可以大大减轻医生的压力，让医生更专注于其它更富创造性的任务中，有着巨大的经济及社会效益。

附图说明

图1是本发明的结构示意图；

图2是本发明中病变识别模型的训练流程图。

具体实施方式

下面结合附图及较佳实施例详细说明本发明的具体实施方式。如图1和图2所示，一种基于深度学习的瘤样病变识别工作站，包括肠镜设备、电脑主机、显示设备、WEB端界面、病变识别模型和数据传输模块。

所述肠镜设备包括但不只限制光源主机、结肠镜、各种检查和治疗附件、吸引和监护设备等。

所述电脑主机应满足于能够运行web端界面和识别模型。

所述显示设备包括但不只限于高清显示器，用于显示肠镜摄像头传输的肠镜视频图像、病变标记和web端界面。

所述web端界面能够显示医院科室和医生、病人的相关信息、检查操作提示、场景检查实时图像、识别模型输出的提示框。

所述病变识别模型算法包括但不限于YOLO V3等；病变识别模型能够接受肠镜输出的视频图像，将每一帧图像送入模型进行目标检测，若检测出目标，则输出目标类型并框出位置，通过数据传输模块发送给web端显示。

所述病变识别模型的搭建流程如图2所示：

步骤201，采集图像。采集足够的退镜过程中肠道病变的截图，肠道情况截图来源于专业医生手术过程中截取的标准图像。

步骤202，图像预处理。挑选合格的图片即病变确定、图像清晰、角度合适图片，截掉无用信息，处理后的图像分辨率为但不只限于640*480,最后通过脚本将图片以6位整数按顺序命名。

步骤203，数据标注。标注的软件包括但不限于labelimg，通过软件用矩形框标记出病变位置，生成对应*.xml文件。

步骤204，搭建环境框架。在电脑主机上下载安装Ubuntu16.04系统、python2.7、cuda8.0、cudnn6.0.21、opencv3.4.0和Darknet；所用框架包括但不限于Darknet、Kreas、TensorFlow等；所用语言包括但不限于Python、C++和C语言等。

步骤205，建立数据集。数据集包括训练需要的图片和对应的标记文件，通过脚本将原本的*.xml文件转为*.txt文件，放入框架中。

步骤206，修改训练参数。所需要修改的参数包括但不限于训练测试开关、学习率、步长、迭代次数等，具体数值根据实际情况而定。

步骤207，训练模型。调用命令传入数据集相关文件进行训练。

所述数据传输模块通过视频采集卡获取肠镜设备传出的视频图像，并通过WebSocket通讯连接web端界面与病变识别模型。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。